Method comparisons for differentiation of Schizophrenia and Bipolar based on rs-fMRI Intrinsic and Functional Networks

Résumé Technique : Comparaisons de méthodes pour la différenciation de la schizophrénie et du trouble bipolaire basées sur l'rs-fMRI

Énoncé du problème
La schizophrénie (SZ) et le trouble bipolaire (BP) avec psychose sont des entités cliniques distinctes qui partagent des symptômes, des facteurs de risque génétiques et des déficits cognitifs significatifs se chevauchant. Ce chevauchement crée des défis substantiels pour un diagnostic différentiel précis, où une erreur de diagnostic peut conduire à des traitements inefficaces ou aggravants (par exemple, les antipsychotiques aggravant la manie dans le cas du BP). Bien que l'imagerie par résonance magnétique fonctionnelle au repos (rs-fMRI) offre une voie prometteuse pour identifier des biomarqueurs objectifs, le domaine manque de consensus sur la représentation la plus efficace de la connectivité cérébrale pour distinguer ces troubles. Plus précisément, il reste incertain si les profils temporels des réseaux de connectivité intrinsèque (ICN) ou diverses approches de connectivité de réseau fonctionnel (FNC) (statiques, dynamiques et d'ordre supérieur) offrent un pouvoir discriminatoire supérieur.

Méthodologie
L'étude a évalué plusieurs représentations de l'rs-fMRI sur une cohorte de 786 sujets (371 pour l'entraînement, 315 pour un ensemble de test réservé), comprenant 288 patients SZ et 183 patients BP. Les données consistaient en 105 réseaux de connectivité intrinsèque (ICN) dérivés de l'rs-fMRI à l'aide d'un modèle d'Analyse en Composantes Indépendantes (ICA) spatialement contraint multi-échelle. La méthodologie a été divisée en deux flux principaux :

1. Analyse des profils temporels des ICN :

   • Prétraitement : Les séries temporelles des ICN ont été complétées par remplissage de zéros (zero-padding) pour atteindre une longueur uniforme de 234 échantillons. Les signaux ont été traités via trois filtres passe-bande (Bas : 0,01–0,15 Hz, Milieu : 0,15–0,35 Hz, Haut : 0,35–0,5 Hz).
   • Représentations temps-fréquence : Des spectrogrammes ont été générés à l'aide d'une transformée de Fourier à court terme (STFT) avec une fenêtre de Tukey, et des scalogrammes ont été générés à l'aide d'une transformée en ondelettes continue (CWT) avec une ondelette de Morlet.
   • Classification : Des architectures de réseaux de neurones convolutionnels (CNN) profonds ont été employées. Un CNN 1D a été entraîné sur les séries temporelles brutes et filtrées. Un CNN 3D simplifié a été appliqué aux caractéristiques volumétriques des spectrogrammes et des scalogrammes pour gérer les contraintes de calcul.

2. Analyse de la connectivité de réseau fonctionnel (FNC) :

   • Extraction de caractéristiques : Les matrices FNC ont été calculées comme des corrélations de Pearson entre les paires de séries temporelles des ICN.
   • Représentations :
     • FNC Statique (sFNC) : Calculée sur la durée totale (et une longueur raccourcie standardisée de 100 échantillons pour comparaison).
     • FNC Dynamique (dFNC) : Calculée à l'aide de fenêtres glissantes avec des longueurs ($L$) et des pas ($s$) variables.
     • FNC d'Ordre Supérieur (hFNC) : Dérivée par le calcul des corrélations entre les séries temporelles de corrélation des clusters de dFNC (utilisant le K-means avec des nombres de clusters $U$ variables).
   • Classification : Sept algorithmes d'apprentissage automatique classiques (SVM, Random Forest, Régression Logistique, KNN, Naïve Bayes, Arbre de décision, LDA) ont été entraînés sur des caractéristiques de connectivité aplaties. La régression logistique a été spécifiquement utilisée pour les caractéristiques de haute dimension des sFNC, dFNC et hFNC dérivées de séries temporelles raccourcies.

Résultats Clés
L'évaluation, principalement mesurée par l'aire sous la courbe (AUC) sur l'ensemble de test réservé, a produit les résultats suivants :

• Profils temporels des ICN : Le CNN 1D entraîné sur les séries temporelles brutes des ICN a obtenu la performance globale la plus élevée avec une AUC de 0,67. Il a surpassé les modèles entraînés sur des signaux limités en bande (Fréquence moyenne : 0,54, Basse : 0,546, Haute : 0,53) et les CNN 3D appliqués aux spectrogrammes (AUC 0,49) et aux scalogrammes (AUC 0,53).
• Méthodes basées sur la connectivité : Parmi les approches de connectivité, la FNC statique (sFNC) a généralement surpassé les représentations dynamiques et d'ordre supérieur.
  • La sFNC a atteint une AUC de 0,570.
  • Les configurations de dFNC variaient de 0,548 à 0,569, ne montrant aucun avantage clair sur les méthodes statiques.
  • Les configurations de hFNC ont été les moins performantes, avec des AUC allant de 0,436 à 0,565, ne montrant aucune tendance claire par rapport aux choix de paramètres (longueur de fenêtre, pas, nombre de clusters).
• Performance de l'apprentissage automatique classique : Parmi les sept classifieurs appliqués aux caractéristiques FNC complètes, la Régression Logistique a obtenu l'AUC-ROC la plus élevée (0,640), suivie par l'SVM (0,632) et l'LDA (0,620). Le Random Forest a obtenu la précision brute la plus élevée (0,68) mais présentait un score F1 très bas (~0,20), indiquant un biais vers la classe majoritaire (SZ) dû au déséquilibre des classes.

Signification et Revendications
L'article postule que, bien que la performance de classification reste modeste, les résultats offrent des informations cruciales sur la stabilité des biomarqueurs de neuroimagerie pour la différenciation de la psychose :

1. Supériorité des profils temporels bruts : La conclusion selon laquelle les profils temporels bruts des ICN traités par un CNN 1D surpassent les représentations temps-fréquence complexes suggère que l'information diagnostiquement pertinente est distribuée sur l'ensemble du spectre fréquentiel. Décomposer les signaux en bandes étroites ou en structures 3D complexes peut rejeter des dynamiques trans-bandes complémentaires ou introduire des risques de surapprentissage compte tenu de la taille limitée de la cohorte.
2. Stabilité de la connectivité d'ordre inférieur : Le fait que la connectivité fonctionnelle statique surpasse systématiquement les représentations dynamiques et d'ordre supérieur défie l'intuition selon laquelle une complexité temporelle accrue produit une meilleure utilité diagnostique. Les auteurs suggèrent que la standardisation de la longueur des séries temporelles (à 100 échantillons) pour la comparabilité méthodologique a probablement réduit la résolution temporelle nécessaire pour que la dFNC et la hFNC capturent des fluctuations significatives.
3. Défis de la différenciation : La performance globale modeste souligne la difficulté inhérente à différencier la SZ et le BP en utilisant uniquement l'rs-fMRI, étant donné leur chevauchement génétique, neurobiologique et symptomatique substantiel. L'étude souligne qu'une complexité de représentation accrue ne se traduit pas nécessairement par une amélioration de la généralisation dans ce contexte.
4. Implications méthodologiques : Les résultats soulignent l'importance de la durée d'acquisition, notant que la sFNC calculée à partir de séries temporelles de pleine longueur dans des travaux antérieurs produisait de meilleurs scores que les versions raccourcies utilisées ici. L'étude signale également l'impact du déséquilibre des classes sur des métriques telles que les scores F1 et la précision, suggérant que les travaux futurs doivent traiter cela pour garantir que les métriques rapportées reflètent une réelle capacité de discrimination.

En conclusion, l'étude contribue à l'effort continu de développement de biomarqueurs de neuroimagerie reproductibles en démontrant que les représentations simples et d'ordre inférieur (profils temporels bruts et connectivité statique) offrent actuellement les capacités de discrimination les plus robustes, bien que toujours limitées, pour distinguer la schizophrénie du trouble bipolaire.